基于MWGANN模型的旋转机械趋势预测

为保证旋转机械注水泵机组安全、稳定运行,应采用合适的预测模型对其状态评定参数进行预测。提出基于均值函数新息加权的遗传算法优化神经网络预测模型(MWGANN模型),用此模型能够优化神经网络结构参数,并可利用时间序列数据新旧程度的不同提高预测的精度和实时性。工业现场采集大型旋转注水泵机组振动烈度时间序列数据,应用MWGANN模型和基于人工经验设定神经网络结构参数的模型分别对其进行预测并比较,结果表明MWGANN模型在预测精度、预测实时性方面取得了较好的效果。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于结构和参数智能优化的神经网络数值预测方法研究

针对BP神经网络数值预测中结构不易确定、易陷入局部最小等问题,利用遗传算法,采用二进制编码方式优化网络结构,采用浮点数编码方式优化网络参数;利用粒子群算法进一步改善网络参数,减少算法耗时,提高预测精度。仿真验证了算法的有效性。     

自顶向下优化神经网络的方法

介绍了一种自动优化神经网络的新启迪方法.这种启迪方法综合采用了快速自顶向下优化神经网络结构算法、动态优化学习参数算法和快速交叉校验算法.首先,快速自顶向下优化神经网络结构算法自动地优化神经网络结构;其次,动态优化学习参数算法动态地调整学习参数和选取优化的学习参数;随后,快速交叉校验算法的引入能有效地防止过度适应问题.实验结果显示,这种启迪方法与其它算法相比,具有更强的归纳性能、优化的网络结构和更快的学习速度.     

基于混沌-动态递归神经网络的地下厂房高边墙围岩变形预报

预测地下厂房高边墙围岩变形是大型水电站设计和施工中重要的研究课题.引入混沌理论,对神经网络进行优化,建立变形预报的动态-递归神经网络模型,通过计算最大Lyapunov指数获得预报最大时间天数,运用混沌特性力学参数优化神经网络结构,通过递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性.某大型水电站实例表明,预报值与实测位移之间误差都小于10%,预测精度高,实时可靠,对开挖结束后的位移进行了预报,结果合理.     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

非线性时间序列B样条优化网络预测模型及工业应用

为有效实现非线性时间序列的实时预测,建立了一种B样条优化网络预测模型。在网络结构的设计中,将各个样条基函数的权值参数和节点位置同时视为待优化的独立变量,并选择预测误差平方和为评价函数,设计了一种全局优化算法,对网络结构进行优化。工业仿真实验结果表明,所提出的优化网络预测模型具有较高的预测精度,而且结构简单,待优参数少,是一种有效的非线性时间序列预测方法。     

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.     

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。     

基于粗糙集的BP神经网络空气品质预测模型

使用粗糙集理论对空气品质监测数据进行属性约简,构建BP神经网络模型中隐层的神经元节点、确定各节点之间的权值和网络结构,通过BP算法对污染物浓度数据进行迭代训练,求出BP神经网络的参数,实现空气品质预测。     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP(BackPropagation)模型 ,针对BP算法存在收敛速度慢 ,容易陷入局部最小点的缺陷 ,本文用遗传算法 (GeneticAlgorithm :GA)训练神经网络 (ArtificialNeuralNetwork :ANN) ,取代了一些传统的学习算法 ,设计了GA +BP学习算法 用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题 仿真结果表明 ,组合GA与BP可以克服单纯使用BP易陷入局部极小等问题 ,取得了较为满意的效果 ,预测精度较高     

Relationship between fatigue life of asphalt concrete and polypropylene/polyester fibers using artificial neural network and genetic algorithm

While various kinds of fibers are used to improve the hot mix asphalt(HMA) performance, a few works have been undertaken on the hybrid fiber-reinforced HMA. Therefore, the fatigue life of modified HMA samples using polypropylene and polyester fibers was evaluated and two models namely regression and artificial neural network(ANN) were used to predict the fatigue life based on the fibers parameters. As ANN contains many parameters such as the number of hidden layers which directly influence the prediction accuracy, genetic algorithm(GA) was used to solve optimization problem for ANN. Moreover, the trial and error method was used to optimize the GA parameters such as the population size. The comparison of the results obtained from regression and optimized ANN with GA shows that the two-hidden-layer ANN with two and five neurons in the first and second hidden layers, respectively, can predict the fatigue life of fiber-reinforced HMA with high accuracy(correlation coefficient of 0.96).     

基于趋势检查法的遗传神经网络模型及工程应用

针对神经网络中模型可靠性问题,提出了趋势检查法的思路,采用评价指标中评价等级的影响趋势对模型进行检查,基本过程为不断调整模型参数、训练、趋势检查,直到获得最优模型。趋势检查法为一种通用方法,可用于任何基于先知经验方法的模型可靠性检查,为模型可靠性检查提供了一种新思路。对于神经网络学习样本贡献度不同的问题,采用样本加权的方法,对样本进行预处理,并将样本权值应用于神经网络的目标函数中,由此建立了加权神经网络目标函数。最后引入遗传算法来优化神经网络参数,建立了基于趋势检查法的遗传神经网络模型,并应用于实际工程中的围岩分类问题,结果表明该模型泛化能力强,具有较高的分类精度。     

人工神经网络在煤矿开采沉陷预计中的应用研究

提出了利用人工神经网络技术进行开采沉陷定量预测的新方法 .研究了影响因素的选取、开采沉陷预计模型的建立以及模型的应用等问题 .采用 BP神经网络算法对开采沉陷量进行了建模和预测 .结果表明 ,用神经网络模型对复杂的开采沉陷系统进行模拟预测 ,具有理论上的可行性和现实意义 ,说明人工神经网络技术在开采沉陷预计领域中具有实用价值     

基于人工神经网络的点焊工艺参数选择和质量预测

将人工神经网络技术（ＡＮＮ）引入点焊领域,建立了点焊工艺参数选择ＡＮＮ系统和点焊接头质量预测ＡＮＮ系统。验证表明,ＡＮＮ预测精度较好,为点焊工艺参数优选及焊点性能预测提供了一条新途径。     

ANN model of subdivision error based on genetic algorithm

According to the test data of subdivision errors in the measuring cycle of angular measuring system, the characteristics of subdivision errors generated by this system are analyzed. It is found that the subdivision errors are mainly due to the rotary-type inductosyn itself. For the characteristic of cyclical change, the subdivision errors in other measuring cycles can be compensated by the subdivision error model in one measuring cycle. Using the measured error data as training samples, combining GA and BP algorithm, an ANN model of subdivision error is designed. Simulation results indicate that GA reduces the uncertainty in the training process of the ANN model, and enhances the generalization of the model. Compared with the error model based on the least-mean-squared method, the designed ANN model of subdivision errors can achieve higher compensating precision     

基于BP神经网络的UASBAF系统运行调控策略

以两相厌氧工艺中产甲烷相(UASBAF反应器)处理中药废水为原型,采用带动量、自适应学习率的快速BP收敛算法,建立人工神经网络模型,并利用分离相关权值法对关键性调控因子(pH、进水COD、碱度、HRT)对反应器运行效果的影响大小进行排序,发现pH是决定系统运行效果的限制性因子,在高运行负荷阶段其限制性尤为明显;在所建模型的基础上,通过分步固定调控因子的方法实现双因子联合作用三维谱图,直观、定性地分析各调控因子对系统运行效果的影响过程,并得到一系列的运行调控对策来优化反应器的运行条件,突破了传统人工神经网络担任预测工具的角色,为其在反应器的运行调控中优势的进一步发挥提供有效途径.     

概率积分法预计参数选取的神经网络模型

在综合分析概率积分法参数与地质采矿条件之间关系的基础上,采用人工神经网络方法建立了概率积分法参数选取的模型．模型采用改进的BP优化算法,运用我国典型的地表移动观测站资料作为学习训练样本和测试样本。对网络模型的计算结果与实测值进行了对比分析．分析结果表明：用人工神经网络方法求算概率积分法参数结果更接近于实际．对提高开采沉陷预计精度具有积极意义．     

Study on optimal design to improve auto-body structural crashworthiness

In this paper the optimal model of the main energy absorbed structure in an auto-body “front rail”,based on structural crashworthiness is built. For an optimal design on structure crashworthiness, the new method is based on a response surface model and Pareto GA, which improves the efficiency and flexibility of an optimal design, that is brought forward. The traditional optimal method can not be applied in the design of an impact structure due to the high nonlinearity and large time cost of crashworthiness FE analysis. So the method of an optimal design based on crashworthiness is brought forward. After constructing the response surface model of auto-body crashworthiness, the Pareto GA can be applied to find the multi-objective globally. The optimal solution set can then be used to provide many scheme combinations for choice structural parameters. To acquire the optimized structure parameters on front rail crashworthiness, this simplified model of an original design is built. After studying various ways of reinforcing the cross-section to control the structural failure mode, a better method has been found. On the precondition of not increasing the mass of the structure, an optimal design of the front rail is performed further. Finally, the optimized scheme is implemented in the full-car impact analysis and crashworthiness is studied. With proper measures to control deformation of the front rail structure the crashworthiness can be improved with minor structural modifications.     

结合遗传算法的人工神经网络在汽车故障诊断中的应用

本文提出采用遗传算法优化人工神经网络结构的初值,将遗传算法与人工神经网络结合起来,迅速得到最佳人工神经网络权值矩阵与阀值向量,实现汽车故障诊断。